CN116090438A - 主题处理方法、装置、电子设备及存储介质 - Google Patents
主题处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116090438A CN116090438A CN202211363933.8A CN202211363933A CN116090438A CN 116090438 A CN116090438 A CN 116090438A CN 202211363933 A CN202211363933 A CN 202211363933A CN 116090438 A CN116090438 A CN 116090438A
- Authority
- CN
- China
- Prior art keywords
- text
- theme
- topic
- frequency
- time period
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 abstract description 15
- 230000008569 process Effects 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 8
- 238000005065 mining Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3346—Query execution using probabilistic model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种主题处理方法、装置、电子设备及存储介质。其中,该方法,包括:获取第一预设时间段内的多条待处理的第一文本,分别对每条所述第一文本进行预处理,得到与所述第一文本对应的第二文本;针对每条所述第二文本,利用词频‑逆向文件频率算法提取所述第二文本的文本关键词;基于多个所述第二文本的文本关键词和预先构建的动态主题模型确定与所述第二文本对应的文本主题;获取第二预设时间段内的文本主题,并将获取到的文本主题以预设方式进行展示,其中,所述第二预设时间段长于所述第一预设时间段。提升文本主题的分析结果的精准度,通过对不同时间段的文本主题的动态提取,体现文本主题在时间维度上的动态演化。
Description
技术领域
本发明涉及计算机应用技术领域,尤其涉及一种主题处理方法、装置、电子设备及存储介质。
背景技术
主题挖掘技术常应用在个性化推荐、搜索和异常检测等领域,目前,主题挖掘研究主要集中在社交网站和医疗社区等领域,针对文本主题提取,通常采用统计、内容分析等处理方法,缺乏对文本主题从时间维度进行动态主题演化分析的研究。
因此,常见的针对文本主题分析的方法较为粗糙,以致文本主题的分析结果精准度较差。
发明内容
本发明提供了一种主题处理方法、装置、电子设备及存储介质,以解决文本主题的分析结果精确度较差的技术问题。
根据本发明的一方面,提供了一种主题处理方法,其中,该方法包括:
获取第一预设时间段内的多条待处理的第一文本,分别对每条所述第一文本进行预处理,得到与所述第一文本对应的第二文本;
针对每条所述第二文本,利用词频-逆向文件频率算法提取所述第二文本的文本关键词;
基于多个所述第二文本的文本关键词和预先构建的动态主题模型确定与所述第二文本对应的文本主题;
获取第二预设时间段内的文本主题,并将获取到的文本主题以预设方式进行展示,其中,所述第二预设时间段长于所述第一预设时间段。
根据本发明的另一方面,提供了一种主题处理装置,其中,该装置包括:
文本获取模块,用于获取第一预设时间段内的多条待处理的第一文本,分别对每条所述第一文本进行预处理,得到与所述第一文本对应的第二文本;
关键词提取模块,用于针对每条所述第二文本,利用词频-逆向文件频率算法提取所述第二文本的文本关键词;
文本主题确定模块,用于基于多个所述第二文本的文本关键词和预先构建的动态主题模型确定与所述第二文本对应的文本主题;
文本主题展示模块,用于获取第二预设时间段内的文本主题,并将获取到的文本主题以预设方式进行展示,其中,所述第二预设时间段长于所述第一预设时间段。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的主题处理方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的主题处理方法。
本发明实施例的技术方案,通过获取第一预设时间段内的多条待处理的第一文本,分别对每条所述第一文本进行预处理,得到与所述第一文本对应的第二文本,获取了数据清洗后的第二文本;针对每条所述第二文本,利用词频-逆向文件频率算法提取所述第二文本的文本关键词,使得提取的文本关键词更为精准;基于多个所述第二文本的文本关键词和预先构建的动态主题模型确定与所述第二文本对应的文本主题,提高了文本主题的分析结果的精准性,获取第二预设时间段内的文本主题,并将获取到的文本主题以预设方式进行展示,其中,所述第二预设时间段长于所述第一预设时间段,从时间维度进行动态主题演化分析,通过对不同时间段的文本主题的动态提取,体现文本主题在时间维度上的动态演化。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种主题处理方法的流程图;
图2是根据本发明实施例二提供的一种主题处理方法的流程图;
图3是根据本发明实施例三提供的一种主题处理方法的流程图;
图4是根据本发明实施例四提供的一种主题处理装置的结构示意图;
图5是实现本发明实施例的主题处理方法的电子设备的结构示意图;
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种主题处理方法的流程图,本实施例可适用于数据处理情况,该方法可以由主题处理装置来执行,该主题处理装置可以采用硬件和/或软件的形式实现,该主题处理装置可配置于计算机中。
如图1所示,该方法包括:
S110、获取第一预设时间段内的多条待处理的第一文本,分别对每条所述第一文本进行预处理,得到与所述第一文本对应的第二文本。
其中,所述第一预设时间段可以理解为用于获取所述第一文本的时间段。在本发明实施例中,所述第一预设时间段可以根据场景需求预设,在此不做具体限定。可选的,所述第一预设时间段可以是同一天的具体时间段,或者,跨天的具体时间段。示例性的,所述第一预设时间段可以是4小时、12小时24小时或48小时等。
其中,所述第一文本可以理解为待进行主题处理的文本。可选的,所述第一文本可以是金融领域相关的文本。在本发明实施例中,所述第一文本可以根据场景需求获取,在此不做具体限定。示例性的,所述第一文本可以是基于金融社区的评论区所获取的文本。具体的,可以采用数据抓取工具组合,即基于Python的Requests+BeautifulSoup库编写分布式爬虫,爬取金融社区的评论区的数据,作为所述第一文本。
其中,所述第二文本可以理解为对所述第一文本进行预处理,所获取的文本。可选的,所述预处理包括但不限于小写转换处理、去除标点处理、去除停用词处理、去除统一资源定位***(uniform resource locator,URL)处理以及拼写纠正处理等处理中的至少一种。具体地,可以对每条所述第一文本进行小写转换处理、去除标点处理、去除停用词处理、去除统一资源定位***(uniform resource locator,URL)处理以及拼写纠正处理等预处理,得到与所述第一文本对应的第二文本。
S120、针对每条所述第二文本,利用词频-逆向文件频率算法提取所述第二文本的文本关键词。
其中,所述词频-逆向文件频率算法(term frequency–inverse documentfrequency,TF-IDF)为可以对所述第二文本进行文本关键词抽取的算法。所述文本关键词可以理解为表征所述第二文本核心思想和内容的词汇。
具体地,词频-逆向文件频率算法是一种基于加权统计的关键词提取技术。其中,词频(term frequency,TF)可以理解为词语在第二文本中出现的次数,能够表征词语的重要性;逆向文件频率(inverse document frequency,IDF)能够剔除不重要的普遍性词汇。在本发明实施例中,利用词频-逆向文件频率算法提取所述第二文本的文本关键词,可以达到缩小模型迭代时间和提高模型准确率的目的算法。
S130、基于多个所述第二文本的文本关键词和预先构建的动态主题模型确定与所述第二文本对应的文本主题。
其中,所述动态主题模型(Dynamic Topic Models,DTM)可以理解为能够自动对包含时间属性的语料库进行动态处理,并通过引入前一时间片对后一时间片的影响,在动态主题识别的基础上,提取主题并挖掘出主题和关键词之间的共变网络和演变趋势的模型。
其中,所述文本主题可以理解为表征多条所述第二文本中关键内容,即主题的信息。
S140、获取第二预设时间段内的文本主题,并将获取到的文本主题以预设方式进行展示。
其中,所述第二预设时间段可以长于所述第一预设时间段。所述第二预设时间段可以包括一个或多个所述第一预设时间段的时间段。在本发明实施例中,所述第二预设时间段可以根据场景需求预设,在此不做具体限定。
其中,所述预设方式可以理解为对所述文本主题随时间的演化趋势的展示方式。在本发明实施例中,所述预设方式可以根据场景需求预设,在此不做具体限定。可选的,可以使用pyecharts展示获取到的文本主题的演化趋势。其中,所述pyecharts可以理解为用于生成图表的类库。进一步的,可以基于pyecharts展示文本主题的演化趋势的动态图、变化曲线或较为美观在线报告等。解决了通常情况下,对文本主题的分析方法,缺少前一时间片对后一时间片的影响等问题,实现了从时间维度进行对文本主题演化趋势的研究与分析。
本发明实施例的技术方案,通过获取第一预设时间段内的多条待处理的第一文本,分别对每条所述第一文本进行预处理,得到与所述第一文本对应的第二文本,获取了数据清洗后的第二文本;针对每条所述第二文本,利用词频-逆向文件频率算法提取所述第二文本的文本关键词,使得提取的文本关键词更为精准;基于多个所述第二文本的文本关键词和预先构建的动态主题模型确定与所述第二文本对应的文本主题,提高了文本主题的分析结果的精准性,获取第二预设时间段内的文本主题,并将获取到的文本主题以预设方式进行展示,其中,所述第二预设时间段长于所述第一预设时间段,从时间维度进行动态主题演化分析,通过对不同时间段的文本主题的动态提取,体现文本主题在时间维度上的动态演化。
实施例二
图2为本发明实施例二提供的一种主题处理方法的流程图,本实施例是针对上述实施例中所述利用词频-逆向文件频率算法提取所述第二文本的文本关键词进行追加。如图2所示,该方法包括:
S210、获取第一预设时间段内的多条待处理的第一文本,分别对每条所述第一文本进行预处理,得到与所述第一文本对应的第二文本。
S220、针对每条所述第二文本,确定所述第二文本数据的文本长度,基于所述文本长度确定词频-逆向文件频率算法。
其中,所述文本长度可以理解为所述第二文本数据的文本长度。需要理解的是,文本长度的确定与具体***的总线宽度有关。示例性的,以32位的***为例,一个字的文本长度可以是4个字节。
进一步,需要理解的是,传统的TF-IDF算法只考虑了特征项在样本集上的计算结果。在本发明实施例中,针对金融社区的评论区所获取的所述第一文本,通常情况下,文本长度较短,导致TF计算的结果较为稀疏。因此,对TF-IDF算法进行了改进,通过降低TF计算值的权重并取对数的方式,实现了防止IDF过度降低词频的重要性的效果。
可选的,所述基于所述文本长度确定词频-逆向文件频率算法,包括:
在所述文本长度不超过预设长度的情况下,基于如下公式计算所述词频-逆向文件频率TF-IDF:
其中,TF为所述文本关键词的词频,IDF为所述文本关键词的逆向文件频率。
其中,所述预设长度可以理解为针对所述第二文本,确定词频-逆向文件频率算法的文本长度。在本发明实施例中,所述预设长度可以根据场景需求预设,在此不做具体限定。可选的,所述预设长度可以是8个字节或者12个字节等。进一步的,针对不同文本长度的所述第二文本可以基于不同的公式计算所述词频-逆向文件频率TF-IDF。
可选的,所述基于所述文本长度确定词频-逆向文件频率算法,包括:
在所述文本长度超过预设长度的情况下,基于如下公式计算所述词频-逆向文件频率TF-IDF:
TF-IDF=TF*log(IDF)+1,
其中,TF为所述文本关键词的词频,IDF为所述文本关键词的逆向文件频率。
具体的,针对每条所述第二文本,确定所述第二文本数据的文本长度;在所述文本长度不超过预设长度的情况下,基于计算所述词频-逆向文件频率TF-IDF;在所述文本长度超过预设长度的情况下,基于TF-IDF=TF*log(IDF)+1,计算所述词频-逆向文件频率TF-IDF。实现了提高所述词频-逆向文件频率TF-IDF提取所述第二文本的文本关键词的精准性。
S230、利用词频-逆向文件频率算法提取所述第二文本的文本关键词。
S240、基于多个所述第二文本的文本关键词和预先构建的动态主题模型确定与所述第二文本对应的文本主题。
S250、获取第二预设时间段内的文本主题,并将获取到的文本主题以预设方式进行展示,其中,所述第二预设时间段长于所述第一预设时间段。
本发明实施例的技术方案,通过确定所述第二文本数据的文本长度,基于所述文本长度确定词频-逆向文件频率算法,通过在不同情况下,采用不同的计算公式,计算所述词频-逆向文件频率TF-IDF。实现了提高所述词频-逆向文件频率TF-IDF提取所述第二文本的文本关键词的精准性。
实施例三
图3为本发明实施例三提供的一种主题处理方法的流程图,本实施例是针对上述实施例中所述基于多个所述第二文本的文本关键词和预先构建的动态主题模型确定与所述第二文本对应的文本主题进行细化。如图3所示,该方法包括:
S310、获取第一预设时间段内的多条待处理的第一文本,分别对每条所述第一文本进行预处理,得到与所述第一文本对应的第二文本。
S320、针对每条所述第二文本,利用词频-逆向文件频率算法提取所述第二文本的文本关键词。
S330、基于多个所述第二文本的文本关键词构建词袋模型,以得到与所述第二文本对应的文本向量。
其中,所述词袋模型可以理解为可以将所述第二文本进行向量化的模型。在本发明实施例中,所述词袋模型可以对多条所述第二文本的全部词汇进行词频统计,把所述第二文本转化成依据词顺序排序的词频的集合。
具体的,首先对多条所述第二文本进行扫描生成包含词汇的词典索引,并统计每个词汇在多条所述第二文本中出现的频率;进一步的,每个所述第二文本都可以被表示为[[词频1],[词频2],[词频3]]的形式;再进一步的,通过Python中的dic2bow的词袋模型包将所述第二文本进行向量化,以得到与所述第二文本对应的文本向量。
其中,所述文本向量可以理解为通过所述词袋模型对所述第二文本进行向量化,所获取的向量。
S340、通过预先构建的动态主题模型对所述文本向量进行处理,得到与所述第二文本对应的文本主题。
可选的,在所述通过预先构建的动态主题模型对所述文本向量进行处理之前,还包括:通过预先构建的动态主题模型确定的文本主题的主题连贯性,确定所述动态主题模型的最佳主题数。
其中,所述主题连贯性可以理解为衡量所述文本主题的在所述第二文本中出现的频率。具体的,确定文本主题的主题连贯性,可以是通过计算前K个文本主题之间距离的平均值。
其中,所述最佳主题数可以理解为可以使所述动态时序主题模型处于最佳状态的主题数。在本方发明实施例中,可以基于所述主题连贯性对所述动态时序主题模型进行评估。
在本发明实施例中,所述主题连贯性的计算可以有多种。可选的,所述主题处理方法,还包括:
针对预先构建的动态主题模型确定的每个文本主题,将所述文本主题与其在所述第二文本中的前一文本关键词构成词对,基于所述词对的对数条件概率计算所述文本主题的主题连贯性;或者,
基于滑动窗口对预先构建的动态主题模型确定的文本主题进行分割,得到目标词对,基于所述目标词对的归一化点态互信息和余弦相似度确定所述文本主题的主题连贯性。
示例性的,具体的,针对预先构建的动态主题模型确定的每个文本主题,将所述文本主题与其在所述第二文本中的前一文本关键词构成词对,基于所述词对的对数条件概率计算所述文本主题的主题连贯性,即基于Umass计算方式来计算文本主题的主题连贯性。计算公式可以是:
其中,N表示文本主题数量,i表示时间片标识符,CUmass表示对数条件概率,wi和wj表示第二文本中的共现词汇,ε表示避免0出现的参数。
示例性的,具体的,基于滑动窗口对预先构建的动态主题模型确定的文本主题进行分割,得到目标词对,基于所述目标词对的归一化点态互信息和余弦相似度确定所述文本主题的主题连贯性,即基于c_v计算方式来计算文本主题的主题连贯性。计算公式可以是:
其中,表示目标词对,i表示时间片标识符,wi和wj表示第二文本中的共现词汇。
其中,NPMI(wi,wj)Y表示归一化点态互信息,i表示时间片标识符,wi和wj表示第二文本中的共现词汇,ε表示避免0出现的参数。
其中,表示余弦相似度,wi表示第二文本中的共现词汇,i表示时间片标识符。
S350、获取第二预设时间段内的文本主题,并将获取到的文本主题以预设方式进行展示,其中,所述第二预设时间段长于所述第一预设时间段。
本发明实施例的技术方案,通过基于多个所述第二文本的文本关键词构建词袋模型,以得到与所述第二文本对应的文本向量;通过预先构建的动态主题模型对所述文本向量进行处理,得到与所述第二文本对应的文本主题。在动态主题识别的基础上,提取主题并挖掘出主题和关键词之间的共变网络和演变趋势,实现了从时间维度进行动态主题演化的分析。
可选的,在本发明实施例中,所述信息识别方法的整体流程可以是:
1、获取第一文本。
采用了目前常见的数据抓取工具组合,基于Python的Requests+BeautifulSoup库编写分布式爬虫,并爬取第一预设时间段内的多条金融评论文本,针对爬取的相关数据进行数据清洗。
2、分词。
可以理解的是,分词的结果可能影响后续主题提取和主题识别的结果。在本发明实施例中,采用了中文分词工具包Jieba进行语料库词语切分,并在此基础上构建了自定义词典和停用词表以提高分词精度。
3、提取关键词。
需要理解的是,传统的TF-IDF算法只考虑了特征项在样本集上的计算结果,TF能够表征词语的重要性,IDF能够剔除不重要的普遍性词汇,由于中文金融评论文本普遍较短,TF计算的结果往往较稀疏,因此,本发明对TF-IDF进行了改进,降低TF计算值的权重,同时通过取对数防止IDF过度降低词频的重要性。
传统的TF-IDF算法的计算公式为:
改进的TF-IDF算法的计算公式为:
4、基于动态主题模型进行文本主题识别和演化。
采用python中的gensim实现动态时序主题模型的构建,动态时序主题模型的原理如下。
模型的本质是由一组带时序的独立线性判别算法(Linear DiscriminantAnalysis,LDA)主题模型构成,在不同的时间窗口下,狄利克雷分布和狄利克雷分布都随着时间演变。
具体的,算法主要可以分四个步骤:
(1)构建词袋模型。词袋模型可以理解为对全部语料库的文档的全部词汇进行词频统计,把文档装化成依据词顺序排序的词频的集合的过程。具体的,首先对语料库进行扫描生成包含词汇的词典索引,并统计每个词汇在全语料库中出现的频率。进一步的,每个文本都被表示成[[词频1],[词频2],[词频3]]的形式。通过Python中的dic2bow的词袋模型包将本发明的中文金融评论文本数据进行向量化。
(2)确定文本主题分布。使用静态LDA模型计算文本的主题分布,整个静态LDA模型建模过程与常见LDA模型没有差异,并使用静态LDA模型参数估计来初始化动态时序主题模型,在初始化过程中使用观测方差来近似估计真实方差和频测方差,并由分布中定义的高斯参数决定如何随时间演变。
(3)采用最大期望算法(Expectation Maximization Algorithm,EM)算法对模型进行迭代。EM算法是一种迭代优化策略,由于它的计算方法中每一次迭代都分两步,其中一步是期望步(E步),E步为一个聚类的过程,另一步为极大步(M步),M步是求极大似然概率估计的过程。具体的,在E步骤中,针对每一个时间切片以循环迭代的方式更新LDA模型中的主题-词语概率分布,即时间切片i+1的主题内容是在时间切片i的LDA模型基础上迭代形成的。通常情况下,真实后验推断是难以处理的,因此需要设置适当的迭代下限,在算法中将通过最小化真实后验概率的KL(Kullback-Liebler Divergence)散度来优化这一界限。使用动态主题模型对语料进行训练之后,能够得到每个文档在每个主题上的概率分布,以及每个时间段上主题-词汇的概率分布。
(4)确定最佳主题数。为得到最佳的主题模型,动态时序主题模型需要选取最佳主题数。主题模型的主题数评估方法较多,本发明在动态时序主题模型的评估上选择了一致性评价指标——主题连贯性(Coherence)对主题模型进行评估。主题连贯性主要是用来衡量一个主题内的词连贯性,通过衡量主题词在语料库中出现的频率,计算前K个词与词之间距离的平均值来评估一个模型的优劣。主题连贯性的计算方式很多。主要采用c_v和Umass两个计算方式来计算主题连贯性。其中,Umass主要对分割后的文档的单个词汇,将词汇与其前一词汇构成词对并对词对的对数条件概率计算主题连贯性。c_v的计算方法则基于滑动窗口,对主题词进行one-set分割(一个set内的任意两个词组成词对),并计算归一化点态互信息(NPMI)最后计算余弦相似度作为连贯性评估指标。
5、展示文本主题。
通过从最优模型中获取的主题词汇最大概率,采用基于Python的Pyecharts对数据结果编写代码进行可视化分析,可视化呈现金融评论热点主题和主题随时间的演化趋势。
在本发明实施例中,提出了一种主题处理的方法,填补了中文金融社区主题挖掘方法研究的空白,为后续中文金融主题挖掘研究提供了一定的参考价值。通过动态主题模型,引入前一时间片对后一时间片主题抽取的影响,基于时间维度识别潜在主题和演化趋势,提出一种提高主题识别准确率和精确度,实现实时主题演化的有效方法。
实施例四
图4为本发明实施例四提供的一种主题处理装置的结构示意图。如图4所示,该装置包括:文本获取模块410、关键词提取模块420、文本主题确定模块430以及文本主题展示模块440。
其中,文本获取模块410,用于获取第一预设时间段内的多条待处理的第一文本,分别对每条所述第一文本进行预处理,得到与所述第一文本对应的第二文本;关键词提取模块420,用于针对每条所述第二文本,利用词频-逆向文件频率算法提取所述第二文本的文本关键词;文本主题确定模块430,用于基于多个所述第二文本的文本关键词和预先构建的动态主题模型确定与所述第二文本对应的文本主题;文本主题展示模块440,用于获取第二预设时间段内的文本主题,并将获取到的文本主题以预设方式进行展示,其中,所述第二预设时间段长于所述第一预设时间段。
本发明实施例的技术方案,通过获取第一预设时间段内的多条待处理的第一文本,分别对每条所述第一文本进行预处理,得到与所述第一文本对应的第二文本,获取了数据清洗后的文本;针对每条所述第二文本,利用词频-逆向文件频率算法提取所述第二文本的文本关键词,缩小了模型迭代时间并提高了模型准确率;基于多个所述第二文本的文本关键词和预先构建的动态主题模型确定与所述第二文本对应的文本主题,在动态主题识别的基础上,提取主题并挖掘出主题和关键词之间的共变网络和演变趋势;获取第二预设时间段内的文本主题,并将获取到的文本主题以预设方式进行展示,其中,所述第二预设时间段长于所述第一预设时间段,从时间维度进行动态主题演化分析的研究。提高了文本主题的分析结果精准度。
可选的,所述主题处理装置,还包括:算法确定模块。
其中,所述算法确定模块,用于在所述利用词频-逆向文件频率算法提取所述第二文本数据的文本关键词之前,确定所述第二文本数据的文本长度,基于所述文本长度确定词频-逆向文件频率算法。
可选的,所述算法确定模块,用于:
在所述文本长度不超过预设长度的情况下,基于如下公式计算所述词频-逆向文件频率TF-IDF:
其中,TF为所述文本关键词的词频,IDF为所述文本关键词的逆向文件频率。
可选的,所述算法确定模块,用于:
在所述文本长度超过预设长度的情况下,基于如下公式计算所述词频-逆向文件频率TF-IDF:
TF-IDF=TF*log(IDF)+1,
其中,TF为所述文本关键词的词频,IDF为所述文本关键词的逆向文件频率。
可选的,文本主题确定模块430,包括:文本向量确定子模块和文本向量处理子模块。
其中,所述文本向量确定子模块,用于基于多个所述第二文本的文本关键词构建词袋模型,以得到与所述第二文本对应的文本向量;
所述文本向量处理子模块,用于通过预先构建的动态主题模型对所述文本向量进行处理,得到与所述第二文本对应的文本主题。
可选的,文本主题确定模块430,还包括:主题数确定模块。
其中,所述主题数确定模块,用于在所述通过预先构建的动态主题模型对所述文本向量进行处理之前,通过预先构建的动态主题模型确定的文本主题的主题连贯性,确定所述动态主题模型的最佳主题数。
可选的,所述主题数确定模块,还用于:
针对预先构建的动态主题模型确定的每个文本主题,将所述文本主题与其在所述第二文本中的前一文本关键词构成词对,基于所述词对的对数条件概率计算所述文本主题的主题连贯性;或者,
基于滑动窗口对预先构建的动态主题模型确定的文本主题进行分割,得到目标词对,基于所述目标词对的归一化点态互信息和余弦相似度确定所述文本主题的主题连贯性。
本发明实施例所提供的主题处理装置可执行本发明任意实施例所提供的主题处理方法,具备执行方法相应的功能模块和有益效果。
实施例五
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如主题处理方法。
在一些实施例中,主题处理方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的主题处理方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行主题处理方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的***和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种主题处理方法,其特征在于,包括:
获取第一预设时间段内的多条待处理的第一文本,分别对每条所述第一文本进行预处理,得到与所述第一文本对应的第二文本;
针对每条所述第二文本,利用词频-逆向文件频率算法提取所述第二文本的文本关键词;
基于多个所述第二文本的文本关键词和预先构建的动态主题模型确定与所述第二文本对应的文本主题;
获取第二预设时间段内的文本主题,并将获取到的文本主题以预设方式进行展示,其中,所述第二预设时间段长于所述第一预设时间段。
2.根据权利要求1所述的方法,其特征在于,在所述利用词频-逆向文件频率算法提取所述第二文本数据的文本关键词之前,还包括:
确定所述第二文本数据的文本长度,基于所述文本长度确定词频-逆向文件频率算法。
4.根据权利要求2所述的方法,其特征在于,所述基于所述文本长度确定词频-逆向文件频率算法,包括:
在所述文本长度超过预设长度的情况下,基于如下公式计算所述词频-逆向文件频率TF-IDF:
TF-IDF=TF*log(IDF)+1,
其中,TF为所述文本关键词的词频,IDF为所述文本关键词的逆向文件频率。
5.根据权利要求1所述的方法,其特征在于,所述基于多个所述第二文本的文本关键词和预先构建的动态主题模型确定与所述第二文本对应的文本主题,包括:
基于多个所述第二文本的文本关键词构建词袋模型,以得到与所述第二文本对应的文本向量;
通过预先构建的动态主题模型对所述文本向量进行处理,得到与所述第二文本对应的文本主题。
6.根据权利要求5所述的方法,其特征在于,在所述通过预先构建的动态主题模型对所述文本向量进行处理之前,还包括:
通过预先构建的动态主题模型确定的文本主题的主题连贯性,确定所述动态主题模型的最佳主题数。
7.根据权利要求6所述的方法,其特征在于,还包括:
针对预先构建的动态主题模型确定的每个文本主题,将所述文本主题与其在所述第二文本中的前一文本关键词构成词对,基于所述词对的对数条件概率计算所述文本主题的主题连贯性;或者,
基于滑动窗口对预先构建的动态主题模型确定的文本主题进行分割,得到目标词对,基于所述目标词对的归一化点态互信息和余弦相似度确定所述文本主题的主题连贯性。
8.一种主题处理装置,其特征在于,包括:
文本获取模块,用于获取第一预设时间段内的多条待处理的第一文本,分别对每条所述第一文本进行预处理,得到与所述第一文本对应的第二文本;
关键词提取模块,用于针对每条所述第二文本,利用词频-逆向文件频率算法提取所述第二文本的文本关键词;
文本主题确定模块,用于基于多个所述第二文本的文本关键词和预先构建的动态主题模型确定与所述第二文本对应的文本主题;
文本主题展示模块,用于获取第二预设时间段内的文本主题,并将获取到的文本主题以预设方式进行展示,其中,所述第二预设时间段长于所述第一预设时间段。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的主题处理方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的主题处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211363933.8A CN116090438A (zh) | 2022-11-02 | 2022-11-02 | 主题处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211363933.8A CN116090438A (zh) | 2022-11-02 | 2022-11-02 | 主题处理方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116090438A true CN116090438A (zh) | 2023-05-09 |
Family
ID=86203232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211363933.8A Pending CN116090438A (zh) | 2022-11-02 | 2022-11-02 | 主题处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116090438A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116775029A (zh) * | 2023-07-25 | 2023-09-19 | 四川大学 | 基于多参与者的概念设计信息建模方法及*** |
-
2022
- 2022-11-02 CN CN202211363933.8A patent/CN116090438A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116775029A (zh) * | 2023-07-25 | 2023-09-19 | 四川大学 | 基于多参与者的概念设计信息建模方法及*** |
CN116775029B (zh) * | 2023-07-25 | 2024-03-05 | 四川大学 | 基于多参与者的概念设计信息建模方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113590645B (zh) | 搜索方法、装置、电子设备及存储介质 | |
CN114861889B (zh) | 深度学习模型的训练方法、目标对象检测方法和装置 | |
CN113360711B (zh) | 视频理解任务的模型训练和执行方法、装置、设备及介质 | |
CN113806660B (zh) | 数据评估方法、训练方法、装置、电子设备以及存储介质 | |
CN116450867B (zh) | 一种基于对比学习和大语言模型的图数据语义搜索方法 | |
CN113268560A (zh) | 用于文本匹配的方法和装置 | |
CN115470313A (zh) | 信息检索及模型训练方法、装置、设备和存储介质 | |
CN113191145B (zh) | 关键词的处理方法、装置、电子设备和介质 | |
CN115248890B (zh) | 用户兴趣画像的生成方法、装置、电子设备以及存储介质 | |
CN116090438A (zh) | 主题处理方法、装置、电子设备及存储介质 | |
CN112528644B (zh) | 实体挂载的方法、装置、设备以及存储介质 | |
CN114841172A (zh) | 文本匹配双塔模型的知识蒸馏方法、装置及程序产品 | |
CN114329206A (zh) | 标题生成方法和装置、电子设备、计算机可读介质 | |
CN114328855A (zh) | 文档查询方法、装置、电子设备和可读存储介质 | |
CN113239273A (zh) | 用于生成文本的方法、装置、设备以及存储介质 | |
CN112818221B (zh) | 实体的热度确定方法、装置、电子设备及存储介质 | |
CN116069914B (zh) | 训练数据的生成方法、模型训练方法以及装置 | |
CN113377921B (zh) | 用于匹配信息的方法、装置、电子设备以及介质 | |
CN113032540B (zh) | 人机交互方法、装置、设备和存储介质 | |
CN115952403A (zh) | 评估对象性能的方法、装置、电子设备及存储介质 | |
CN115982464A (zh) | 一种事物推荐方法、装置、电子设备及存储介质 | |
CN117435686A (zh) | 负例样本构建方法、商品搜索方法、装置及电子设备 | |
CN117708655A (zh) | 一种基于大语言模型的文化知识计算方法 | |
CN117745482A (zh) | 合同条款的确定方法、装置、设备和介质 | |
CN117669555A (zh) | 一种敏感词检测方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |